深度学习：sklearn实现LR（逻辑回归）算法实例笔记

最新推荐文章于 2025-10-22 09:34:37 发布

原创

最新推荐文章于 2025-10-22 09:34:37 发布 · 7.7k 阅读

4 ·

CC 4.0 BY-SA版权

本文介绍了如何在Python环境下，利用sklearn库实现逻辑回归（LR）算法。首先，文章展示了如何对数据进行预处理，包括特征归一化，使用MinMaxScaler将特征缩放到[-1, 1]之间。接着，通过train_test_split进行数据划分，并应用LogisticRegression进行训练。最后，评估模型得分并进行预测。同时，文中提到了一些常见的数据可视化函数，如绘制坐标图、箱形图、条形图等。" 82058698,7896759,理解WAP协议：无线应用协议详解,"['网络协议', '移动开发', '网络应用', 'WAP']

1.环境：ubuntu ，python3.4，pycharm
2.数据格式：

3.源码：

import sklearn

import numpy as np
import pandas as pd
from sklearn.cross_validation import train_test_split
from sklearn.linear_model import LogisticRegression

'''
特征归一化:
各特征之间的大小范围一致，才能使用距离度量等算法
加速梯度下降算法的收敛
在SVM算法中，一致化的特征能加速寻找支持向量的时间
不同的机器学习算法，能接受的输入数值范围不一样
'''
'''
sklearn中最常用的特征归一化方法MinMaxScaler和StandardScaler。
它默认将每种特征的值都归一化到[0，1]之间，归一化后的数值大小范围是可调的（根据MinMaxScaler的参数feature_range调整）。
下面代码将特征归一化到[-1,1]之间。
'''

min_max_scaler = sklearn.preprocessing.MinMaxScaler(feature_range=(-1,1))
df = pd.read_csv("data.csv")
df.columns=["grade1","grade2","labe